Les progrès récents de l'apprentissage automatique ont permis le développement de techniques pour détecter et reconnaître les émotions humaines. Certaines de ces techniques fonctionnent en analysant les signaux d'électroencéphalographie (EEG), qui sont essentiellement des enregistrements de l'activité électrique du cerveau prélevés sur le cuir chevelu d'une personne.

La plupart des méthodes de classification des émotions basées sur l'EEG introduites au cours de la dernière décennie utilisent des techniques traditionnelles d'apprentissage automatique (ML) telles que les modèles de machines à vecteurs de support (SVM), car ces modèles nécessitent moins d'échantillons d'apprentissage et il y a toujours un manque d'ensembles de données EEG à grande échelle. Récemment, cependant, les chercheurs ont compilé et publié plusieurs nouveaux ensembles de données contenant des enregistrements cérébraux EEG.

La publication de ces ensembles de données ouvre de nouvelles possibilités passionnantes pour la reconnaissance des émotions basée sur l'EEG, car ils pourraient être utilisés pour former des modèles d'apprentissage en profondeur qui obtiennent de meilleures performances que les techniques traditionnelles de ML. Malheureusement, cependant, la faible résolution des signaux EEG contenus dans ces ensembles de données pourrait rendre la formation de modèles d'apprentissage en profondeur assez difficile.

"Les problèmes de faible résolution restent un problème pour la classification des émotions basée sur l'EEG, " Sunhee Hwang, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Nous avons trouvé une idée pour résoudre ce problème, qui implique la génération d'images EEG haute résolution."

Pour améliorer la résolution des données EEG disponibles, Hwang et ses collègues ont d'abord généré des "caractéristiques d'entropie différentielle préservant la topologie" en utilisant les coordonnées des électrodes au moment où les données ont été collectées. Ensuite, ils ont développé un réseau de neurones convolutifs (CNN) et l'ont entraîné sur les données mises à jour, lui apprendre à estimer trois classes générales d'émotions (c'est-à-dire, positif, neutre et négatif).

"Les méthodes antérieures ont tendance à ignorer les informations de topologie des caractéristiques EEG, mais notre méthode améliore la représentation EEG en apprenant les images EEG haute résolution générées, " a déclaré Hwang. "Notre méthode regroupe les caractéristiques EEG via le CNN proposé, ce qui permet à l'effet de regroupement d'obtenir une meilleure représentation."

Les chercheurs ont formé et évalué leur approche sur l'ensemble de données SEED, qui contient des signaux EEG à 62 canaux. Ils ont découvert que leur méthode pouvait classer les émotions avec une précision moyenne remarquable de 90,41 %, surpassant les autres techniques d'apprentissage automatique pour la reconnaissance des émotions basée sur l'EEG.

"Si les signaux EEG sont enregistrés à partir de différents clips émotionnels, les caractéristiques DE d'origine ne peuvent pas être regroupées, " a ajouté Hwang. " Nous avons également appliqué notre méthode sur la tâche d'estimer la vigilance d'un conducteur pour montrer sa disponibilité sur étagère. "

À l'avenir, la méthode proposée par Hwang et ses collègues pourrait éclairer le développement de nouveaux outils de reconnaissance des émotions basés sur l'EEG, car il présente une solution viable pour surmonter les problèmes associés à la faible résolution des données EEG. La même approche pourrait également être appliquée à d'autres modèles d'apprentissage en profondeur pour l'analyse des données EEG, même ceux conçus pour autre chose que la classification des émotions humaines.

"Pour les tâches de vision par ordinateur, des ensembles de données à grande échelle ont permis l'énorme succès des modèles d'apprentissage en profondeur pour la classification d'images, dont certains ont dépassé la performance humaine, " dit Hwang. " Aussi, un prétraitement complexe des données n'est plus nécessaire. Dans nos futurs travaux, nous espérons générer des ensembles de données EEG à grande échelle à l'aide d'un réseau antagoniste généré (GAN)."

© 2019 Réseau Science X